2.3属性得分推导
本节首先直观地讨论属性的打分原则，进而介绍如何处理CB和IB列表以完成对属性的打分，最后讨论如何聚合不同数据源的属性得分。
2.3.1典型度得分
这项工作的目的在于计算属性概念对的P(a｜c)数值。这个概率分数对机器推测有很大作用。
这个概率分数被定义为典型度（typicality）。在认知学和心理学上［104］，典型度被用来研究为什么某些实体因为某个概念而被人类特别提起。例如，dog为pet的典型实体，因为它被频繁地当成pet提及，而且它与其他的pet实体具有很高的外形相似度［164］。同理，上述直觉可被用来研究属性的典型度。
如果属性a为概念c的典型属性，它应满足两个原则：
. a与c常常共同出现（频率）。
.a在c的实体的属性中很常见（家族相似度）。
根据上述直觉，population是country的一个典型属性，因为二者在CB和IB列表中被频繁观测。更进一步，这是由于大多数country的实体，比如China和Germany，都有population这个属性。
上述论证证实了使用CB和IB量化P(a｜c)的意义。二者都考虑了频率原则并且IB还考虑了家族相似度原则。相比之下，大多现有工作没有考虑这两项原则或只考虑了其中一项，如，参考文献［126，82，124，160］只考虑了频率；参考文献［125］只考虑了家族相似度；参考文献［122，138］没有考虑任何原则，而是使用属性的语境相似度。
下面将讲述如何从CB列表中将频率实体化，以及如何从IB列表中将频率和家族相似度实体化。
2.3.2根据CB列表计算典型度
回顾一下，CB列表的格式为(c，a，n(c，a))。按概念c为列表分组，可得到概念c的一系列属性a，以及它们的频率分布。给出这些信息，典型度得分P(a｜c)可被计算为：
P(a｜c)=n(c，a)∑a∈cn(c，a)
(2.7)
2.3.3根据IB列表计算典型度
下面阐述根据IB列表(i，a，n(i，a))计算典型度的方法。如前文所述，三组IB列表分别从网页文本、搜索日志和知识库中获取。这三组列表的质量在不同的概念c上有差异。因而，本章方法分别计算三组列表的典型度得分，然后将三组得分同CB列表的得分聚合。
为将IB模式联系到概念上，P(a｜c)被展开为：
P(a｜c)=∑i∈cP(a，i｜c)=∑i∈cP(a｜i，c)P(i｜c)
（2.8）
基于这项展开式，任务被转化为计算P(a｜i，c)和P(i｜c)。举例而言，考虑IB模式“the age of George Washington”，如果机器知道“George Washington”是概念president的实体，那么这句话可以被用来计算属性age和概念president之间的典型度得分。在上式中，P(a｜i，c)可将age和president间的典型度量化，而P(i｜c)表示实体“George Washington”对概念president的代表性。
通过Probase计算P(a｜i，c)和P(i｜c)：P(a｜i，c)和P(i｜c)可以基于Probase计算。Probase记录着“George Washington”对概念president的代表性。为方便表达，下面假设一个实体只属于一个概念，后文将讨论去除该假设的情况。
首先计算P(a｜i，c)。在P(a｜i，c)=P(a｜i)的假设下，P(a｜i，c)可被计算为：
P(a｜i，c)=P(a｜i)=n(i，a)∑a∈in(i，a)
(2.9)
接下来计算P(i｜c)。P(i｜c)可被转化为：
P(i｜c)=P(c｜i)P(i)∑i∈cP(c｜i)P(i*)
(2.10)
因此，这一任务被转化为从Probase获取P(c｜i)。在先前的简化假设下，P(c｜i)表示概念c对某一实体i的代表性。在Probase中如果这对概念和实体被观测到，则P(c｜i)=1，否则P(c｜i)=0。
在实际情况中，一个实体可能属于多个概念，从而衍生出如下两种情况：
［C1］有歧义的实体与不同的概念相关：“Washington”可能表示president或state，而这两个概念的典型属性很不相同。简单的计算方式会导致将population错误地鉴别为概念president的典型属性。
［C2］无歧义的实体与相同的概念相关：即使某一实体没有歧义，它也有可能出现在不同的语境中。例如，“George Washington”可能代表一个总统(president)、爱国者(patriot)或历史人物（historical figure）。属于不同概念的有歧义实体计算出的P(i｜c)理论上应比属于相似概念的无歧义实体计算出的值低。简单的计算不能考虑概念间的相似性。
基于上述分析，我们的任务是无偏见地估算P(a｜i，c)和P(c｜i)的值。
P(a｜i，c)和P(c｜i)无偏见化：下面介绍如何无偏见化P(a｜i，c)和P(c｜i)，以解决C1和C2两种情况。
首先计算P(a｜i，c)，如果实体i有歧义，一个从别的概念中获取的更高n(i，a)值不应被考虑。例如，虽然population与Washington常常共现，在state name语境下，population不应被考虑成president的属性。因此，相交率（Join Ratio，JR）这个概念被使用来表示属性a与概念c相关的可能性。
JR(a，c)=JC(a，c)maxa∈c JC(a，c)
(2.11)
其中JC(a，c)被定义为概念c中的实体含有属性a的次数，这将a的家族相似度量化。通过观察，population之于president的JR得分接近0。这是由于概念president中的大多实体，如“George Bush”，都没有population这个属性。
基于这个观念，式(29)可被去偏见化：
P(a｜i，c)=n(i，a，c)∑an(i，a，c)
(2.12)
其中n(i，a，c)=n(i，a)JR(a，c)。
接下来计算P(c｜i)。考虑一个实体属于多个概念的情况，如C2，P(c｜i)可通过Probase中的频率统计np(c，i)计算：
P(c｜i)=np(c，i)∑cnp(c，i)
(2.13)
然而，使用上述公式不能很好地区分C1和C2。因而，我们通过计算两个概念c和c*之间的相似性来降低那些从不相似概念中获取的频率的权重。这一相似性可通过Probase，使用两个实体集的Jaccard相似分数来计算。通过这一取值为0~1的相似分数sim(c，c′)，P(c｜i)可被计算为：
P(c｜i)=nu(c，i)∑c*nu(c′，i)
(2.14)
其中nu(c，i)=∑c′np(c′，i)sim(c，c′)。这样一来，不仅歧义问题得以处理，频率和家族相似度两项典型度原则也得以反映。
表2.4对比了式(213)和式(214)得出的P(i｜c)。去偏见化前，有歧义实体的P(i｜c)被过高估计，比如“Washington”。去偏见化后，其数值明显降低。相比之下，实体“Bush”虽与两个总统相关，但都对应president这个概念，因而应在president这个概念上得到较高得分。通过观察，去偏见化的结果符合这一原则，比如说“George Washington”和“Bush”的P(i｜c)分数都比“Washington”的要高。
表2.5描述了去偏见化是如何改进president这个概念的属性典型度排名的。表中所列的不属于president的属性在排名上都有不同程度的降低。这是由于在去偏见化前，“Washington”的P(i｜c)被高估，但其还可能属于state这个概念，这会导致与state相关的属性在president上也获得较高得分。
2.3.4典型度聚合
本节前面部分讨论了如何从CB网页文本列表中计算P(a｜c)，以及如何从IB的三个列表（网页文本、搜索日志和知识库）中计算该值。我们将这四个得分分别标记为PCB(a｜c)、PIB(a｜c)、PQB(a｜c)和PKB(a｜c)。
要聚合这些得分并不是一项简单的工作，不同的分数来源对不同的概念有着互补的优势。对于包含很多有歧义的实体的概念，IB获取的得分置信度较低。比如，概念wine中的很多实体具有歧义，像“Bordeaux”和“Champagne”可以表示city的名字，从而具有city相关的属性，如mayor。在此例中，IB获取的得分置信度较低。然而在其他情况下，当概念可被扩展为大量无歧义的实体时，IB给出的得分则十分可靠。
这些观察表明单数据源不可能为所有概念给出可靠的得分，因而应将不同来源的得分聚合。我们希望算法能够基于概念特征自动为得分调整权重，从而为所有的概念给出可靠的得分。同现有的方法不同，这一新的算法框架可被应用于大量概念之上。
更为正式地，P(a｜c)的计算可被转化为：
P(a｜c)=wCBPCB(a｜c)+wIBPIB(a｜c)
+wQBPQB(a｜c)+wKBPKB(a｜c)
（2.15）
目标被转化为学习某一概念的相关权重。
这项任务采用线性核函数的Ranking SVM方法。该方法为一种常见的Pairwise排序算法，同回归算法相比，其优势在于训练数据不需要具备准确的典型度得分标签。这符合问题的需求：虽然不能得到某一属性（比如population）的绝对得分，但可以陈述population比picture更典型这一事实。通过收集这样的成对比较数据作为训练数据，式(215)中的权重可被训练得到。
更为正式地阐述，来源M的权重wM为fiM的线性组合，其中特征为实体i的歧义度或模式的统计显著性。
. f1M(avg Mod Bridging Score：Bridging Score［121］通过实体是否属于不同概念来度量它的歧义度。
BridgingScore(i)=∑c1∑c2P(c1｜i)P(c2｜i)sim(c1，c2)
（2.16）
直观上说，这一分数在包含歧义的实体上较低，如“Washington”。实验表明，Bridging Score的一种变换Mod Bridging Score更为有效。
. f2M(avgP(c｜i))：当实体属于很多不同的概念时，P(c｜i)的值较低，因而它也可以作为实体歧义度的度量。
. f3M(∑(frequencyM(a))/#AttributeM)：当平均每属性的属性频率较低时，统计显著性较低。
. f4M(∑(frequencyM(a))/#InstanceP)：当平均每实体的属性频率较低时，统计显著性较低。
. f5M(#AttributeM/#InstanceP)：当概念中实体的平均属性数较低时，对该概念的特征提取有效性较低。
更为正式地，wM可被表示为五个特征的线性合并wM=w0M+∑kwkMfkM。式（2.15）可被扩展为下式。
可见，这是一系列元素的线性变换。线性核函数的Ranking SVM算法可被用来学习参数。同已有的方法不同，上面提出的方法不需要覆盖所有概念的训练数据。
2.3.5同义属性集合
将概念和属性的关系量化后，我们得到一系列概念的属性。由于这些属性从网站获取，人们可能会使用不同的词来表示相同的含义，比如mission和goal都表示目的。
因而，另一项重要工作为将同义属性分组。若不进行这项工作，相同意义的属性会被分散稀释。
本章方法借助Wikipedia［100］找寻同义属性，具体采用如下方式：
.Wikipedia重定向：一些Wikipedia链接没有自己的页面，访问这些链接会被重定向到相同主题的其他文章。下文使用xi→yi表示重定向。
. Wikipedia内部链接：Wikepedia的内部链接被表示为［［Title｜Surface Name］］。其中Surface Name为当前文本，Title为链接到的网页。下文同样用xi→yi表示链接关系。
使用这些关系对可以链接同义属性。所有相连的属性可被视作一个属性聚类。在一个聚类内，频率最高的属性被当作该属性聚类的代表属性。